AI’s impact on science education: a study of ant and bee mindsets in UAE science classrooms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Although Artificial intelligence (AI) has the potential to revolutionize educational practices worldwide, particularly within the science domain, the integration of such technologies in education remains a challenge. This study investigates science teachers’ perspectives regarding AI and examines how its integration influences teaching and learning processes. The research employs the metaphor of a dedicated ant farm and a co-operative beehive to analyze the potential of AI for enhancing science education. Two primary mindsets are identified: ant-like and bee-like thinking. This conceptualization illustrates how science teachers in the UAE perceive the integration of AI into education. Two research questions guided the study design: (1) How do science teachers perceive the impact of AI on science education’s effectiveness and outcomes? (2) What insights do science teachers have regarding the integration of AI into traits related to ant-like or bee-like thinking? Methods Consequently, a cross-sectional survey was carried out, designed to collect data from 104 science teachers who voluntarily participated in this study using a specifically developed and validated questionnaire. Results The findings indicate that the majority of teachers reported a high or extraordinarily high level of understanding of the impact of AI integration in science education, which implies strong agreement with its potential influence. Discussion The study’s findings offer a metaphor-based framework that showed a wide range of responses to the ant-like thinking and bee-like thinking metaphors, highlighting the complexity of science teacher perceptions. These findings diagonalized the need for more evident conceptual framing and further research on how such metaphors (heuristic tools) can be used to influence teacher understanding and classroom application of AI in a science learning context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle